algoritma k-means dengan knn untuk menentukan...

ARTIKEL

PENERAPAN DATA MINING MENGGUNAKAN KOMBINASI

ALGORITMA K-MEANS DENGAN KNN UNTUK MENENTUKAN

SASARAN PROMOSI PENJUALAN PADA CV. BOROBUDUR PRIMA

SEJAHTERA

Oleh:

ARI ANDRIYANSYAH

14.1.03.02.0035

Dibimbing oleh :

1. Resty Wulanningrum, M. Kom.

2. Intan Nur Farida, M. Kom.

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK

UNIVERSITAS NUSANTARA PGRI KEDIRI

2019

Artikel Skripsi

Universitas Nusantara PGRI Kediri

Ari Andriyansyah | 14.1.03.02.0035 Teknik – Teknik Informatika

simki.unpkediri.ac.id || 1||

Artikel Skripsi




PENERAPAN DATA MINING MENGGUNAKAN KOMBINASI

ALGORITMA K-MEANS DENGAN KNN UNTUK MENENTUKAN

SASARAN PROMOSI PENJUALAN PADA CV. BOROBUDUR PRIMA

SEJAHTERA

Ari Andriyansyah

14.1.03.02.0035

Fakultas Teknik – Program Studi Teknik Informatika

-

Resty Wulanningrum, M. Kom.1 dan Intan Nur Farida, M. Kom.2

UNIVERSITAS NUSANTARA PGRI KEDIRI

ABSTRAK

CV. Borobudur Prima Sejahtera merupakan salah satu perusahaan yang bergerak

dalam bidang distribusi makanan ringan. Tidak hanya CV. Borobudur Prima Sejahtera masih

cukup banyak perusahaan-perusahaan lain yang bergerak dalam bidang yang serupa. Hal itu

tentu saja menimbulkan persaingan bisnis antar perusahaan dan harus selalu memikirkan cara-

cara untuk terus survive dan jika mungkin mengembangkan skala bisnis mereka. Untuk

mencapai hal itu, ada tiga kebutuhan bisnis yang dapat dilakukan, yaitu penambahan jenis

maupun peningkatan kapasitas produk, pengurangan biaya operasional perusahaan, dan

peningkatan efektivitas pemasaran serta keuntungan. Agar bisa memenuhi kebutuhan-

kebutuhan bisnis diatas banyak cara yang dapat ditempuh salah satunya melakukan analisis

data perusahaan CV. Borobudur Prima Sejahtera.

Dalam laporan ini menjelaskan penelitian, perencanaan serta pengimplementasian

hasil penjualan serta untuk mengetahui wilayah dan produk yang penjualannya rendah.

Dengan menggunakan kombinasi metode K-Means dan K-Nearest Neighbor (KNN) sebagai

metode dalam mengetahui tingkat penjualan wilayah serta produk yang paling rendah, sang

penulis juga menggunakan notepad++ sebagai editor, XAMPP sebagai controller,

PHPMyAdmin sebagai DBMS, bahasa pemrograman HTML5, PHP, CSS, dan JS(Javascript)

menjadi sebuah website.

Permasalahan penelitian ini adalah Bagaimana cara menerapkan data mining pada

penjualan produk makanan ringan di CV. Borobudur Prima Sejahtera menggunakan

kombinasi metode proses K-Means dan K-Nearest Neighbor (KNN)? Bagaimana merancang

sebuah sistem untuk mengetahui sasaran promosi penjualan?

Kesimpulan Sistem berhasil dibangun untuk menerapkan data mining pada penjualan

produk makanan ringan di CV. Borobudur Prima Sejahtera menggunakan kombinasi metode

K-Means dan K-Nearest Neighbor (KNN) dengan hasil akhir yang lebih mudah dipahami dan

lebih optimal. Perancangan sistem menggunakan kombinasi metode K-Means dan K-Nearest

Neighbor (KNN) bisa digunakan untuk mengetahui sasaran promosi penjualan.

Pada proses pengujian, seluruh menu dan tombol telah diuji dan sesuai dengan

rancangan awal oleh penulis. Sehingga “PENERAPAN DATA MINING MENGGUNAKAN

KOMBINASI METODE ALGORITMA K-MEANS DENGAN KNN UNTUK

MENENTUKAN SASARAN PROMOSI PENJUALAN PADA CV. BOROBUDUR PRIMA

SEJAHTERA” dapat digunakan oleh pengguna dengan baik.

Kata kunci : Clustering, Klasifikasi, Website, K-Means, K-Nearest Neighbor (KNN).

Artikel Skripsi




I. LATAR BELAKANG

CV. Borobudur Prima Sejahtera

merupakan salah satu perusahaan yang

bergerak dalam bidang distribusi

makanan ringan. Tidak hanya CV.

Borobudur Prima Sejahtera masih

cukup banyak perusahaan-perusahaan

lain yang bergerak dalam bidang yang

serupa. Hal itu tentu saja menimbulkan

persaingan bisnis antar perusahaan dan

harus selalu memikirkan cara-cara

untuk terus survive dan jika mungkin

mengembangkan skala bisnis mereka.

Untuk mencapai hal itu, ada tiga

kebutuhan bisnis yang dapat dilakukan,

yaitu penambahan jenis maupun

peningkatan kapasitas produk,

pengurangan biaya operasional

perusahaan, dan peningkatan efektivitas

pemasaran serta keuntungan. Agar bisa

memenuhi kebutuhan-kebutuhan bisnis

diatas banyak cara yang dapat ditempuh

salah satunya melakukan analisis data

perusahaan CV. Borobudur Prima

Sejahtera.

CV. Borobudur Prima Sejahtera

menjual produk makanan ringan ke

toko-toko. Perusahaan ingin mengetahui

jumlah penjualan makanan ringan pada

masing-masing wilayah di Kabupaten

Kediri dengan melihat trend penjualan

total dan per produk makanan ringan

yang diminati masyarakat. Dari data

tersebut dapat menjadi perbandingan

penjualan per Kecamatan diwilayah

Kabupaten Kediri dan berdasarkan data

tersebut perusahaan dapat melihat

penjualan produk diwilayah tersebut

berjalan sukses atau tidak.

Data mining sendiri adalah disiplin

ilmu yang mempelajari metode untuk

mengekstrak pengetahuan atau dari

suatu data. Data mining dapat

digunakan untuk pengelompokan data,

memprediksi, mengestimasi, dan

menentukan kaidah asosiasi dalam

suatu data yang ada. Perlunya data

mining karena adanya sejumlah besar

data yang dapat digunakan untuk

menghasilkan informasi yang berguna.

Pada penelitian ini terdapat

masalah dalam menentukan sasaran

promosi penjualan dan oleh sebab itu

akan dibuat sebuah sistem yang mampu

mengolah data yang ada, serta

menjadikan sebuah informasi wilayah

mana yang hasil penjualan produk

makanan ringan paling rendah di

Kabupaten Kediri, dengan melakukan

strategi bisnis dalam bentuk promosi

agar bisa mendongkrak penjualan di

wilayah tersebut. Didalam penelitian ini

pihak yang akan menjadi obyek yaitu

CV. Borobudur Prima Sejahtera.

Berdasarkan pemaparan singkat tentang

beberapa hal diatas yang menjadi

landasan untuk dilakukanya penelitian

ini, maka akan menghasilkan sebuah

aplikasi yang diharapkan dapat

menampilkan hasil dari data mining

Artikel Skripsi




dengan kombinasi metode K-Means dan

K-Nearest Neighbor (KNN). Dengan

menghitung rata-rata penjualan per

kecamatan diwilayah Kabupaten Kediri.

II. METODE PENELITIAN

1. Algoritma K-Means

K-Means Clustering

merupakan salah satu metode data

Clustering non-hirarki yang

mengelompokkan data dalam

bentuk satu atau lebih

cluster/kelompok. Data-data yang

memiliki karakteristik yang

berbeda dikelompokkan dengan

cluster/kelompok memiliki tingkat

variasi yang kecil.

𝑑𝑖𝑗 = √∑ {𝑥𝑖𝑘 − 𝑥𝑗𝑘}𝑝𝑘=1

2

…..1).

Keterangan :

dij = Jarak objek antara

objek i dan j

P = Dimensi data

Xik = Koordinat dari objek i

pada dimensi k

Xjk = Koordinat dari objek j

pada dimensi k

2. K-Nearest Neighbor (KNN)

Algoritma K-Nearest

Neighbor (KNN) adalah sebuah

metode untuk melakukan

klasifikasi terhadap objek

berdasarkan data contoh yang

mempunyai jarak paling dekat

dengan objek tersebut.

Algoritma ini hanya

melakukan penyimpanan dan

klasifikasi data contoh. Pada fase

klasifikasi, fitur-fitur yang sama

dihitung untuk testing data

(klasifikasinya belum diketahui).

Jarak dari data contoh yang baru ini

terhadap seluruh data contoh

dihitung, dan sejumlah K yang

paling dekat diambil. Titik yang

baru klasifikasinya diprediksikan

termasuk pada klasifikasi terbanyak

dari titik-titik tersebut.

d(a, b) = √∑ (𝑎𝑘 − 𝑏𝑘𝑑𝑘=1 )² …..2)

Keterangan :

d (a, b) : Jarak skalar dari kedua

vektor a dan b dari matriks

dengan ukuran d dimensi.

d : Dimensi Data.

Ak : Koordinat dari obyek a

pada dimensi k.

bk : Koordinat dari obyek b

pada dimensi k.

Artikel Skripsi




III. HASIL DAN PEMBAHASAN

Pembahasan terhadap hasil

penelitian dan pengujian yang diperoleh

disajikan dalam bentuk uraian teoritik,

baik secara kualitatif maupun kuantitatif.

Hasil percobaan sebaiknya ditampilkan

dalam berupa grafik atau pun tabel. Untuk

grafik dapat mengikuti format untuk

diagram dan gambar.

Simulasi perhitungan untuk

menentukan sasaran promosi penjualan

dengan kombinasi metode algoritma K-

Means dan Algoritma K-Nearest

Neighbor (KNN) menggunakan 25 data

wilayah dan 5 data produk yang telah

dihitung dengan merinci.

Tabel 1. Data Transaksi Penjualan

No. Kecamatan

Jumlah Penjualan Barang

Total

Better

Kis

Barley

Kis

Cherry Bengbeng

Choky-

Choky

1 Badas 2340 198 299 4400 8140 15377

2 Banyakan 7940 1435 1423 13527 12800 37125

3 Gampengrejo 9000 1044 1141 16394 14350 41929

4 Grogol 23060 4372 5004 28819 55500 116755

5 Gurah 104000 6027 6276 129328 73401 319032

6 Kandangan 13880 5283 6646 59556 43980 129345

7 Kandat 22259 3808 3600 50316 40769 120752

8 Kayen Kidul 2940 636 589 7500 11180 22845

9 Kepung 20890 4054 3779 39777 31124 99624

10 Kunjang 2280 1180 1230 6219 9620 20529

11 Kras 18900 2694 2362 38080 40673 102709

12 Ngadiluwih 52050 7871 6454 96547 92301 255223

13 Ngancar 9350 1559 1606 18758 12170 43443

14 Ngasem 17270 4705 4100 47652 30616 104343

15 Pagu 68524 5081 5821 105720 94280 279426

16 Papar 4320 871 799 9420 9720 25130

17 Pare 103000 6000 6200 128228 72500 315928

18 Plemahan 7880 1820 1720 17522 15060 44002

19 Plosoklaten 10090 2120 2027 27913 35038 77188

20 Puncu 11990 2194 2259 19198 17731 53372

21 Purwoasri 5390 1154 1196 22520 10060 40320

22 Ringinrejo 39410 5257 4598 70482 72300 192047

23 Semen 31530 4140 4235 43480 30045 113430

24 Tarokan 13950 2803 3056 23035 21961 64805

25 Wates 35270 7291 7616 115545 78877 244599

Keterangan :

Tabel 1 merupakan tabel data hasil

penjualan pada CV. Borobudur Prima

Sejahtera selama tahun 2018. Dari data

hasil penjualan tersebut akan dilakukan

perhitungan untuk menghitung wilayah

serta produk yang penjualannya rendah.

Tabel 2. Data penjualan tiap wilayah

selama 3 periode

No. Kecamatan

Jumlah Penjualan/Periode

Total Jan-

Apr

Mei-

Agu

Sep-

Des

1 Badas 5377 5500 4500 15377

2 Banyakan 11500 13125 12500 37125

3 Gampengrejo 14500 13929 13500 41929

4 Grogol 40000 39755 37000 116755

5 Gurah 105000 108032 106000 319032

6 Kandangan 39500 45345 44500 129345

7 Kandat 42500 40752 37500 120752

8 Kayen Kidul 6500 7500 8845 22845

9 Kepung 34624 31500 33500 99624

10 Kunjang 6529 7000 7000 20529

11 Kras 35246 34074 33389 102709

12 Ngadiluwih 84488 85618 85267 255373

13 Ngancar 14804 14489 14150 43443

14 Ngasem 35014 34797 34532 104343

15 Pagu 93134 93910 92382 279426

16 Papar 8424 8320 8386 25130

17 Pare 104800 105274 104854 314928

18 Plemahan 14709 14616 14677 44002

19 Plosoklaten 25768 25790 25630 77188

20 Puncu 17786 17708 17878 53372

21 Purwoasri 13485 13488 13347 40320

22 Ringinrejo 63924 64015 64108 192047

23 Semen 37832 37827 37771 113430

24 Tarokan 21503 21680 21622 64805

25 Wates 81438 81644 81153 244235

Keterangan :

Tabel 2 adalah data hasil penjualan tiap

wilayah berdasarkan 3 periode/bulan

selama tahun 2018 untuk mengetahui

wilayah yang penjualannya rendah.

Tabel 3. Centroid awal

C1 105000 108032 106000

C2 24562 26842 23500

C3 5377 5500 4500

Tabel 4. Tabel hasil Perhitungan K-Means

pada wilayah/kecamatan terendah

No Kecamatan

Cluster 3

Total Jan-

Apr

Mei-

Agu

Sep-

Des

1 Badas 5377 5500 4500 15377

2 Banyakan 11500 13125 12500 37125

3 Gampengrejo 14500 13929 13500 41929

4 Kayen Kidul 6500 7500 8845 22845

5 Kunjang 6529 7000 7000 20529

6 Ngancar 14804 14489 14150 43443

7 Papar 8424 8320 8386 25130

8 Plemahan 14709 14616 14677 44002

9 Plosoklaten 25768 25790 25630 77188

10 Puncu 17786 17708 17878 53372

11 Purwoasri 13485 13488 13347 40320

12 Tarokan 21503 21680 21622 64805

Artikel Skripsi




Penyelesaian :

1. Hitung jarak data ke-1 dengan C1 :

= √(5377-105000)2 + (5500-108032)2

+ (4500-106000)2

= √(-99623)² + (-102532)² + (-

101500)²

= √9924742129 + 10512811024 +

10302250000

= √30739803153 = 175327,7022


= √(5377-24562)2 + (5500-26842)2 +

(4500-23500)2

= √(-19185)² + (-21342)² + (-19000)²

= √368064225 + 455480964 +

361000000

= √1184545189 = 34417,22227


= √(5377-5377)2 + (5500-5500)2 +

(4500-4500)2

= √(0)² + (0)² + (0)²

= √0 + 0 + 0

= √0 = 0

Dst sampai perhitungan data yang ke 25

dan sampai inisiasi dari perhitungan

sebelumnya dengan selanjutnya sama.

Keterangan :

Dari hasil perhitungan yang ditunjukkan

pada tabel 4 dengan menggunakan metode

Algoritma K-Means yang sudah dijelaskan

diatas maka didapatkan hasil penjualan

wilayah/kecamatan yang penjualannya

rendah, setelah hasil didapatkan

perhitungan akan diteruskan dengan

menggunakan metode Algoritma K-

Nearest Neighbor (KNN) untuk

menentukan produk pada wilayah yang

penjualannya rendah.

Tabel 5. Hasil perhitungan dengan

wilayah/kecamatan terendah

No. Kecamatan

Jumlah Penjualan Barang

Total

Better

Kis

Barley

Kis

Cherry Bengbeng

Choky-

Choky

1 Badas 2340 198 299 4400 8140 15377

2 Banyakan 7940 1435 1423 13527 12800 37125

3 Gampengrejo 9000 1044 1141 16394 14350 41929

4 Kayen Kidul 2940 636 589 7500 11180 22845

5 Kunjang 2280 1180 1230 6219 9620 20529

6 Ngancar 9350 1559 1606 18758 12170 43443

7 Papar 4320 871 799 9420 9720 25130

8 Plemahan 7880 1820 1720 17522 15060 44002

9 Plosoklaten 10090 2120 2027 27913 35038 77188

10 Puncu 11990 2194 2259 19198 17731 53372

11 Purwoasri 5390 1154 1196 22520 10060 40320

12 Tarokan 13950 2803 3056 23035 21961 64805

Tabel 6. Bobot awal Produk

Produk

Better

Kis

Barley

Kis

Cherry Bengbeng

Choky-

Choky

2280 198 299 4400 8140

Keterangan :

Data yang terdapat pada tabel 5 didapatkan

dari hasil perhitungan sebelumnya

menggunakan metode Algoritma K-

Means.

Penyelesaian :

1. Hitung jarak data ke-1 dengan bobot

tiap produk :

= √(2340-2280)

= √(60)² = √3600 = 60

Dst sampai perhitungan tiap produk

perhitungan data yang ke-12 selesai.

Tabel 7. Hasil perhitungan KNN

No. Kecamatan

Jarak

Better Kis

Barley

Kis

Cherry Bengbeng

Choky-

Choky

1 Badas 60 0 0 0 0

2 Banyakan 5660 1237 1124 9127 4660

3 Gampengrejo 6720 846 842 11994 6210

4 Kayen Kidul 660 438 290 3100 3040

5 Kunjang 0 982 931 1819 1480

6 Ngancar 7070 9152 9051 4950 1210

7 Papar 2040 4122 4021 80 3820

8 Plemahan 5600 7682 7581 3480 260

9 Plosoklaten 7810 9892 9791 5690 1950

10 Puncu 9710 11792 11691 7590 3850

11 Purwoasri 3110 5192 5091 990 2750

12 Tarokan 11670 13752 13651 9550 5810

Artikel Skripsi




Keterangan :

Hasil terakhir dari perhitungan

yang ditunjukkan pada tabel 7 yaitu :

1. Kecamatan Badas : Kis Barley, Kis

Cherry, Bengbeng, Choky-choky.

2. Kecamatan Kunjang : Better.

Perusahaan dapat mengidentifikasi

wilayah/kecamatan dan produk yang

penjualannya paling rendah. Dari hasil

tersebut dapat disimpulkan bahwa wilayah

serta produk yang disebut diatas

merupakan sasaran promosi penjualan

yang dilakukan oleh perusahaan agar

penjualannya meningkat.

Alur simulasi DFD Level 1 pada

sistem penentuan sasaran promosi

penjualan dapat dilihat pada gambar

dibawah ini :

Gambar 1. Proses DFD level 1

Pada gambar diatas diketahui terdpadat

satu entitas yaitu seorang admin. Admin

melakukan proses login kedalam sistem

dengan menginputkan username dan

password, inputan tersebut akan dicari

kecocokannya dengan tabel user, apabila

ditemukan maka admin dapat melakukan

proses selanjutnya. Setelah proses login,

maka ada empat proses lanjutan yang

hanya dapat diakses oleh Admin. Proses

pertama adalah Proses Input, proses ini

mengolah input data produk yang disimpan

dalam tabel produk, input data wilayah

yang akan disimpan pada tabel wilayah,

input data bobot yang akan disimpan

dalam tabel bobot dan input data cluster

yang akan disimpan dalam tabel cluster.

Proses kedua yaitu Proses data penjualan,

proses ini mengolah inputan data

penjualan yang disimpan dalam tabel

penjualan. Proses ketiga yaitu proses K-

Means yang merupakan proses perhitungan

untuk menentukan wilayah yang

penjualannya rendah dari hasil penjualan 3

periode selama tahun 2018. Yang terakhir

Proses KNN, merupakan proses lanjutan

perhitungan K-Means yang hasil dari

proses tersebut dihitung kembali untuk

menentukan produk di wilayah/kecamatan

yang penjualannya paling rendah. Setelah

itu admin dapat melihat hasil dari PrinOut

sistem yang ditunjukkan pada gambar 2.

Gambar 2. PeintOut Hasil Sistem

Artikel Skripsi




IV. PENUTUP

Dari hasil dan pembahasan

penelitian yang telah dilakukan dapat

disimpulkan bahwa Data Mining Prediksi

Masa Studi Mahasiswa Dengan

Menggunakan Algoritma Similarity

Jaccard Coefficient telah memenuhi

point-point dibawah ini :

1. Aplikasi Sistem Menggunakan

Kombinasi Metode Algoritma K-

Means Dengan Algoritma K-Nearest

Neighbor (KNN) Untuk Menentukan

Sasaran Promosi Penjualan ini

memberikan kemudahan kepada pihak

CV. Borobudur Prima Sejahtera dalam

mengidentifikasi wilayah/kecamatan

dan produk yang paling rendah.

2. Memberikan kemudahan pada pihak

CV. Borobudur Prima Sejahtera untuk

mencari solusi dalam mengatasi rasio

tingkat penjualan paling rendah

dengan melakukan promosi penjualan.

V. DAFTAR PUSTAKA

Arsyad, Al, Deny. 2007. Aplikasi Berbasis

Web Jurnal Bahasa Pemrograman

di akses pada 12 Desember 2012.

Azzolini J, “Introduction to Systems

Engineering Practices”, 2000.

Dickry Maulana, Muhammad Ihsan Zul,

Silvana Rasio Henim 2014. Sistem

Cerdas Untuk Rekomendasi

Kelayakan Penjualan Mobil Bekas

Dengan Menggunakan Kombinasi

Algoritma K-Means dan KNN.

Jurnal Aksara Komputer Terapan,

Vol 3 (1).

Elly Muningsih, Sri Kiswati. 2015.

Penerapan Metode K-Means Untuk

Clustering Produk Online Shop

Dalam Menentukan Stok Barang.

Jurnal Bianglala Informatika,Vol 3

(1): 10-17.

Frengki Prasetyo. 2017. Sistem

Rekomendasi Penjualan Hasil

Bumi Menggunakan Metode K-

Means. Simki-Techsain,Vol. 1 (10):

1-7.

James D, Il-Yeong Song, Ioanna L, “An

Analysis of Structural Validity in

Entity-Relationship Modeling”,

Drexel University College of

Information Science and

Technology, Philadelphia, 2002.

Kadir, Abdul. 2009. Membuat Aplikasi

Web dengan PHP+Database

MySQL. Yogyakarta : Andi Offset

Kustiyaningsih, Yeni., R.A. Devie. 2011.,

Pemrograman Basis Data Berbasis

Web Menggunakan PHP &

MySQL. Yogyakarta : Graha Ilmu.

Pahlevy, Adam, “Membuat Aplikasi Rental

Movie dengan Visual basic 6.0”,

Jakarta:Elex Media Komputindo,

2010.

Pramudiono, Iko. (2009). Pengantar Data

Mining : Menambang Permata di

Artikel Skripsi




Gunung Data,

http://ilmukomputer.org/2008/11/2

5/pengantardata-mining.

Santoso, S. 2010. Statistik Multivariat.

Jakarta: Elex Media Komputindo.

SEVOCAB: Software and Systems

Engineering Vocabulary, 31 July

2008.

Sutrisno, Afriyudi, Widiyanto. 2013.

Penerapan Data Mining Pada

Penjualan Menggunakan Metode

Clustering. Jurnal Ilmiah Teknik

Informatika Ilmu Komputer, Vol.

10 (10): 1-11.

Syaifullah (2010:15), Dalam aplikasinya,

data mining sebenarnya merupakan

bagian dari proses Knowledge

Discovery in Database (KDD)

Tahta Alfina, Budi Santosa, dan Ali Ridho

Barakbah. 2012. Analisa

Perbandingan Metode Hierarchical

Clustering, K-Means dan

Gabungan Keduanya Dalam

Membentuk Cluster Data. Fakultas

Teknologi Industri, Institut

Teknologi Sepuluh Nopember

(ITS) Jl. Arief Rachman Hakim,

Surabaya 60111.

Teddy Sanjaya. 2013. Penerapan Data

Mining Untuk Meningkatkan

Penjualan Pupuk Di Pemasaran

Pusri Daerah Sumatera Selatan.

Jurnal Ilmiah Teknik Informatika

Ilmu Komputer, Vol 10 (10): 1-9.

Vena Bestania Guslina. 2017. Penerapan

Metode Clustering Untuk

Mendukung Strategi Penjualan Dan

Rekomendasi Menu Di Kafe

Kennedy. Simki-Techsain, Vol. 1

(9): 1-8.

Wahana Komputer. 2009. ShortCouse:

PHP Progamming. Yogyakarta:

Andi

Winarno, Edy, dan Priyo Utomo, 2010. 8

jam menaklukan internet dan

membuat website sendiri,

Yogyakarta : GARAHILMU.

Windyana, Putri. 2009. Pemrograman Web

Dengan PHP. (online). tersedia:

https://adhelesmana.files.wordpress

.com/pemrograman-web-dengan-

php-tugas-3.doc, diunduh 03

Januari 2018

Yoppy Ratna Arianto. 2016. Penerapan

Data Mining Pada Penjualan

Hardisk Untuk Optimalisasi

Distribusi Menggunakan Metode

Clustering. Skripsi. Tidak

dipublikasikan. Kediri. Fakultas

Teknik-Prodi Teknik Informatika

Universitas Nusantara PGRI.

http://ilmukomputer.org/2008/11/25/pengantardata-mining

http://ilmukomputer.org/2008/11/25/pengantardata-mining

https://adhelesmana.files.wordpress.com/pemrograman-web-dengan-php-tugas-3.doc



algoritma k-means dengan knn untuk menentukan...

Documents